一种基于移动端的眼底图像分类方法及系统与流程

技术特征：
1.一种基于移动端的眼底图像分类方法，其特征在于，所述方法包括：基于densenet，构建基础眼底图像识别层；构建图像分类器，根据所述基础眼底图像识别层和所述图像分类器，构建获得基础眼底图像分类模型；根据所述基础眼底图像分类模型，通过知识蒸馏，获得移动端眼底图像分类模型；采集获取目标用户的眼底图像，获得目标眼底图像；对所述目标眼底图像进行数据增强扩充，获得目标眼底图像集合；将所述目标眼底图像集合输入所述移动端眼底图像分类模型，获得图像分类结果。2.根据权利要求1所述的方法，其特征在于，所述基于densenet，构建基础眼底图像识别层，包括：分别采集获取多类病种的多个眼底图像，获得多个样本眼底图像；对所述多个样本眼底图像进行数据增强扩充，获得多个样本眼底图像集合；分别对所述多个样本眼底图像集合进行特征数据标识，获得多个样本特征数据集合；基于densenet，构建所述基础眼底图像识别层的基础网络结构，其中，所述基础网络结构包括：x
i
＝h
i
([x0，x1，...，x
i-1
])其中，x
i
为第i层输出，[x0，x1，...，x
i-1
]为x0到x
i-1
层的所有输出特征向量的拼接组合，h
i
为第i层进行的非线性变换，非线性变换h为bn relu conv(3
×
3)的组合；采用所述多个样本眼底图像集合和所述多个样本特征数据集合，对所述基础眼底图像识别层进行监督训练，直到收敛或准确率达到预设要求。3.根据权利要求2所述的方法，其特征在于，所述构建图像分类器，包括：基于随机森林算法，有放回地在所述多个样本特征数据集合内随机选择m个样本特征数据集合，作为第一构建数据集；采用所述第一构建数据集，构建所述图像分类器的第一子模型；再次有放回地在所述多个样本特征数据集合内随机选择m个样本特征数据集合，作为第二构建数据集；采用所述第二构建数据集，构建所述图像分类器的第二子模型；继续构建所述图像分类器的多个子模型，集成所述多个子模型，获得所述图像分类器；根据所述基础眼底图像识别层和所述图像分类器，构建获得所述基础眼底图像分类模型。4.根据权利要求3所述的方法，其特征在于，根据所述基础眼底图像识别层和所述图像分类器，构建获得所述基础眼底图像分类模型，包括：通过global avgpooling层连接所述基础眼底图像识别层和所述图像分类器；根据基础模型损失函数，对连接的所述基础眼底图像识别层和所述图像分类器进行迭代训练，获得所述基础眼底图像分类模型，其中，所述基础模型损失函数如下式：
y_pred
m
＝round(output
m
)diff＝y_true-y_pred其中，output
m
为所述图像分类器输出的第m种病种的概率，round为取整函数，y_pred
m
为经取整后的output
m
的值，y_true为onehot编码形式的实际的第m种病种的标签值，diff为y_true与y_pred的差，sum
i
(x)为统计x内值为i的个数，muliti_loss为所述基础模型损失函数。5.根据权利要求3所述的方法，其特征在于，采用所述第一构建数据集，构建所述图像分类器的第一子模型，包括：在所述第一构建数据集内随机选择一样本特征数据，作为第一划分阈值；基于所述第一划分阈值，构建所述第一子模型的一级分类节点，其中，所述一级分类节点可对输入的特征数据进行二分类；再次在所述第一构建数据集内随机选择一样本特征数据，作为第二划分阈值；基于所述第二划分阈值，构建所述第一子模型的二级分类节点，其中，所述二级分类节点可对所述一级分类节点的分类结果进行二分类；基于所述第一构建数据集，继续构建所述第一子模型的多级分类节点；采集获取所述多个样本眼底图像的标签值，获得多个标签值；获得所述多级分类节点进行多级二分类获得的多个分类结果，根据所述多个标签值，分别对所述多个分类结果设置不同的病种分类结果，获得所述第一子模型。6.根据权利要求4所述的方法，其特征在于，根据所述基础眼底图像分类模型，通过知识蒸馏，获得移动端眼底图像分类模型，包括：基于densenet，构建所述移动端眼底图像分类模型内移动端眼底图像识别层的移动端网络结构，其中，所述移动端网络结构的非线性变换的数量小于所述基础网络结构内的非线性变换的数量；连接所述移动端眼底图像识别层和所述图像分类器，获得所述移动端眼底图像分类模型；根据移动端损失函数和所述基础眼底图像分类模型，对所述移动端眼底图像分类模型进行迭代训练，其中，所述移动端损失函数如下式：l＝αl
t
(1-α)l
ss
其中，l
t
为所述基础眼底图像分类模型的teacher loss，l
s
为移动端眼底图像分类模型的student loss，α为权重，n为多病种的病种类别数量，p
′
i
是基础眼底图像分类模型输出的第i类病种的概率，q
′
i
是经知识蒸馏学习后的移动端眼底图像分类模型输出的第i类病种的概率，c
i
为移动端眼底图像分类模型内对应的第i类病种的标签值，q
i
是经标签值学习后输出的第i类病种的概率。7.根据权利要求1所述的方法，其特征在于，对所述目标眼底图像进行数据增强扩充，获得目标眼底图像集合，包括：对所述目标眼底图像进行旋转、水平翻转、垂直反转和缩放处理，获得多个扩充图像；根据所述目标眼底图像和所述多个扩充图像，获得所述目标眼底图像集合。8.一种基于移动端的眼底图像分类系统，其特征在于，所述系统包括：基础识别层构建模块，用于基于densenet，构建基础眼底图像识别层；基础识别模型构建模块，用于构建图像分类器，根据所述基础眼底图像识别层和所述图像分类器，构建获得基础眼底图像分类模型；移动端识别模型构建模块，用于根据所述基础眼底图像分类模型，通过知识蒸馏，获得移动端眼底图像分类模型；眼底图像采集模块，用于采集获取目标用户的眼底图像，获得目标眼底图像；图像增强扩充模块，用于对所述目标眼底图像进行数据增强扩充，获得目标眼底图像集合；图像识别分类模块，用于将所述目标眼底图像集合输入所述移动端眼底图像分类模型，获得图像分类结果。

技术总结
本发明公开了一种基于移动端的眼底图像分类方法及系统，涉及计算机技术领域，该方法包括：基于DenseNet，构建基础眼底图像识别层；构建图像分类器，根据基础眼底图像识别层和图像分类器，构建获得基础眼底图像分类模型；根据基础眼底图像分类模型，通过知识蒸馏，获得移动端眼底图像分类模型；采集获取目标用户的眼底图像，获得目标眼底图像；对目标眼底图像进行数据增强扩充，获得目标眼底图像集合；将目标眼底图像集合输入移动端眼底图像分类模型，获得图像分类结果。本发明解决了现有技术中视网膜眼底图像识别分类时效性较差，无法在移动端便捷使用以及功能单一的技术问题，达到了提升眼底图像识别分类的时效性和准确度的技术效果。技术效果。技术效果。


技术研发人员：郑儒楠 罗静 孟永安 李超宏
受保护的技术使用者：苏州微清医疗器械有限公司
技术研发日：2022.08.23
技术公布日：2022/11/29